按年被提到
20232025 · 2 次2026
视觉、语音与图像生成›语音与音频生成·arXiv:2306.05284 · cs.SD

Simple and Controllable Music Generation

简单且可控的音乐生成
Jade Copet, Felix Kreuk, Itai Gat, Tal Remez, David Kant, Gabriel Synnaeve, Yossi Adi, Alexandre Défossez · 2023

MusicGen:单阶段 Transformer 在压缩音频 token 上生成可控音乐。

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2023-06-19 · 最近 2025-10-28
3不同的人
3活跃月份
3讨论串
307被引(OpenAlex)

提出 MusicGen,一个在多路压缩离散音乐表示(token)上运行的单一语言模型。它采用单阶段 Transformer 配合高效的 token 交错模式,无需像以往工作那样级联多个模型(分层或上采样)。可生成单声道和立体声的高质量音乐,并以文本描述或旋律特征为条件;自动评测和人工评测都表明它在标准文本到音乐基准上优于对比基线,消融实验说明了各组件的作用,代码和模型已开源。

HN 为什么提它

评论者用它说明当前的音乐生成器(包括 Suno 式架构)是像 LLM 一样在 EnCodec 音频 token 上做下一个 token 预测,而不是图像式的去噪。

方法难度 3 / 5约 40 分钟经得起时间
读之前最好知道
1Transformer 语言模型
2神经音频编解码(EnCodec)与离散 token
3多码本 token 的交错生成
4文本条件生成

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用fagerhult · 2023-06

“MusicGen is an LLM on top of EnCodec tokens, instead of working directly with audio.”

解释 MusicGen 是在 EnCodec token 之上的 LLM,而非直接处理音频
MusicGen-Looper: Generate fixed-bpm loops from text prompts原评论 ↗
引用zaptrem · 2025-03

“MusicGen (Suno-style architecture): Simple and Controllable Music Generation (code: [LINK])”

贴出 MusicGen 作为 Suno 式架构的参考
Show HN: Sonauto API – Generative music for developers原评论 ↗
引用efskap · 2025-10

“The current music generators use next token prediction, like LLMs, not image denoising.”

说明当前音乐生成器用的是下一 token 预测,而非图像去噪
Should LLMs just treat text content as an image?原评论 ↗